BP神经网络作为目前应用较为广泛的人工神经网络之一,面对大规模数据集时,不免存在训练时间长、效率低等问题。为提高BP神经网络在大数据方面的应用,对BP神经网络进行并行化设计是十分必要的。基于MapReduce的BP神经网络并行化模型不仅能处理大规模数据,还可以提高模型的训练速度,但是原始模型中BP神经网络仍存在收敛速度慢、易陷入局部收敛等问题,并且Map阶段训练产生的局部收敛权值矩阵在Reduce阶段进行处理后,产生的全局收敛权值矩阵无法保证MapReduce训练朝着全局收敛的方向进行。针对上述问题,本文提出了两种不同的解决方案:一种是使用粒子群算法在Map阶段对BP神经网络的初始权值和阈值进行优化,以提高BP神经网络的训练速度,进而减少模型的训练时间;一种是使用遗传算法代替Reduce阶段取平均值的方法,将Map阶段收集的权值矩阵进行全局最优搜索,并在下一次训练中代入最优矩阵,这样既能减少迭代次数,也能使训练朝着全局收敛的方向进行。本文分别对两种改进后的模型与传统模型进行训练,通过实验的结果表明,两种方法均能减少训练时间,提高训练精度,并结合模型的加速比和可扩展性的分析,证明两个改进后的模型性能良好。